組合和分離是O2O電子商務系統的兩種基本結構，下面是小編蒐集整理的一篇關於O2O電子商務模式研究的論文範文，歡迎閱讀檢視。
前言
在資訊科技快速發展的背景下，人們迎來了網路時代，人們工作和生活中的方方面面都受到了深刻的影響。現階段，網上購物成為人們熱衷的一項活動，同時也充分體現了電子商務模式的便利。網際網路還能夠搭建起一個平臺供顧客、企業以及供應商使用。據有效資料顯示，O2O電子商務模式將擁有萬億以上的市場。近年來，O2O電商行列中人數越來越多，商品的數量和種類以指數速度增長，因此，O2O電子商務必須加強對推薦方法的研究，為使用者創造更加便利的環境。
一、O2O 電子商務中推薦模型研究
(一)該商務系統的結構
組合和分離是該商務系統的兩種基本結構。它們在執行過程中都具有自身的優勢與缺陷，同時，它們也適用於不同的範圍。組合式結構，指的是在現有的電子商務系統內加入這一推薦系統，推薦系統的使用要完全依靠現有電子商務系統，這一結構的特點是擁有簡單的部署實施，卻無法進行獨立執行，因為，現有的商務系統將會最大限度的限制該結構的執行，導致其擁有極差的外延性和移植性。特定情況下，這種結構還會對現有電子商務系統產生影響。因此，如果選擇的推薦系統比較複雜，要想對現有系統不造成任何影響，就不可以應用這種組合式結構;分離式結構，指的是資料能夠在資料結構通過資料層時得到共享，網頁資源能夠在使用者層得到共享，促使推薦系統與現有系統產生獨立的介面。現有系統無法對其產生制約的效果，執行和功能也不會受到影響，同組合式結構相比，它更適合與相對複雜的部署個性化推薦[1]。
(二)O2O 電子商務中推薦模型
這一模型最大的特點就是當顧客想要對網站進行訪問時，一個特別的推薦顯示功能能夠出現於顧客與網站中間。現階段，各種電子商務推薦系統在執行過程中，都需要對大批的顧客資料、商品詳情和交易記錄等進行處理，因此，在這裡使用各種先進的技術技術，如人工智慧技術、資料探勘技術等，是無法及時處理以上大量的資料和資訊的。處理以上問題最好的方法就是採取離線處理的方式，在規定的時間間隔內，再更新處理過後的結果。
例如，某網站在聚類的基礎上，其個性化推薦模型有四個重要組成部分，即輸入模組、輸出模組、離線處理模組、線上推薦模組。以線上推薦模組為例，該模組需要將聚類中心與顧客之間的類似程度進行計算。由於顧客聚類數目是在離線的情況下得到的，所以真實的顧客數目要遠遠大於此數目。因此，採用這一模組來推薦處理相關資料，能夠使準確度得到很大提高，還能夠極大的節省時間。使用者能夠更快捷的找到目標，有利於顧客使用者滿意度的提升和網站銷售量的增加[2]。
二、O2O 電子商務模式中推薦方法的研究
(一)傳統基於聚類的協同過濾分析
推薦演算法內使用聚類技術，能夠將評分矩陣進行壓縮，促使其以c個簇來構成整個評分矩陣，還可以使聚類過程在離線狀態下完成，將維度進行縮小，為最近鄰居的搜尋提供方便，以此來將推薦演算法中的推薦效率進行提高，同時提高其外延性和實時性。然而，傳統的協同過濾推薦是建立在聚類之上的，這裡的聚類指的是硬聚類，它的代表是K-Mean聚類。該模式的推薦系統中，具有顧客多和資料大的特點，所以導致了較大的資料維度，降低了推薦演算法的'效率。同時還有兩種缺陷存在於傳統聚類演算法當中：首先，初始化的聚類，是隨機生成的，擁有極高的不穩定性，致使聚類結果當中存在較大的偏差;其次，聚類簇中的邊界缺陷，造成重疊現象在聚類物件中產生。這兩種缺陷將會促使準確率極大的降低[3]。
(二)FCM 聚類演算法
首先，該演算法具有一定的優點。在對顧客評分和商品屬性進行描述的過程中，FCM模型更具優勢。它將一個簇只能對應一個顧客的現象打破了，顧客和商品的模糊特性得到充分的展示;其次，該演算法也存在一定的缺陷。這一演算法是運用連續的迭代來促使最優函式值的形成，其中，聚類結果的優良會受到初始聚類中心的嚴重影響，隨機性的選取初始方案，會使聚類的結果不穩定。再者，距離函式。如果選取的距離函式不夠恰當，計算效能就會受到嚴重的影響。假如應用歐式距離，在特定的環境下，將會造成大量的專案出現在聚類簇中，但是一些簇中卻只有幾個專案，造成了嚴重不平衡聚類的出現，無法實現很好的專案聚類[4]。
三、結論
電子商務的飛速發展，給人們的生活帶來了極大的便利，O2O電子商務模式的產生，無疑是又一次的技術變革。系統研究該商務系統的結構和推薦模型，對於促進推薦方法的研究具有重要意義。應用傳統基於聚類的協同過濾分析和FCM 聚類演算法來加強推薦方法的研究，能夠有效解決現階段O2O電子商務模式中的不足。